💻 computer science

MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection

MIRAGE एक पूर्णतः स्वचालित, प्रशिक्षण-मुक्त पाइपलाइन है जो वास्तविक औद्योगिक विसंगति छवियों और पिक्सेल-स्तरीय मास्क को उत्पन्न करने के लिए ब्लैक-बॉक्स जनरेटिव मॉडल, विजन-लैंग्वेज मॉडल और एक डुअल-ब्रांच चेंज डिटेक्शन मॉड्यूल का लाभ उठाती है, जिसके लिए वास्तविक दोष डेटा की आवश्यकता नहीं होती है, जिससे विज़ुअल एनोमली डिटेक्शन प्रदर्शन में वृद्धि होती है और एक बड़े पैमाने का ओपन-सोर्स डेटासेट प्रदान किया जाता है।

मूल लेखक: Jinwei Hu, Francesco Borsatti, Arianna Stropeni, Davide Dalle Pezze, Manuel Barusco, Gian Antonio Susto

प्रकाशित 2026-03-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jinwei Hu, Francesco Borsatti, Arianna Stropeni, Davide Dalle Pezze, Manuel Barusco, Gian Antonio Susto

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कारखाने में एक गुणवत्ता निरीक्षक (quality inspector) हैं जो हर दिन हजारों एक जैसे उत्पाद बनाता है, जैसे कांच की बोतलें या इलेक्ट्रॉनिक चिप्स। आपका काम "खराब" उत्पादों को पहचानना है—जिनमें खरोंच (scratch), दरार (crack), या डेंट (dent) हो।

समस्या क्या है? आपने कभी कोई खराब उत्पाद देखा ही नहीं है। कारखाना इतना सटीक है कि आपके पास केवल "अच्छे" उत्पादों की तस्वीरें हैं। पारंपरिक AI मॉडल यह सीखने की कोशिश करते हैं कि "परफेक्ट" क्या दिखता है और फिर अगर कुछ भी थोड़ा सा अलग दिखता है, तो वे "अलार्म" बजा देते हैं। लेकिन यह पेचीदा है; कभी-कभी एक परछाईं खरोंच जैसी लग सकती है, या एक धब्बा दरार जैसा दिख सकता है, जिससे गलत अलार्म (false alarms) बज सकते हैं।

इसे ठीक करने के लिए, आप AI को वास्तविक दोषों (defects) की तस्वीरें दिखाना चाहेंगे। लेकिन एक आदर्श कारखाने में, वास्तविक दोष मौजूद नहीं होते (या उन्हें इकट्ठा करना बहुत दुर्लभ होता है)।

यहाँ MIRAGE आता है। MIRAGE को एक जादुई "क्या होगा अगर" (What-If) मशीन के रूप में सोचें जो टूटे हुए उत्पादों की नकली, लेकिन अविश्वसनीय रूप से वास्तविक तस्वीरें बना सकती है ताकि AI उनसे सीख सके।

MIRAGE कैसे काम करता है, इसे सरल चरणों में यहाँ दिया गया है:

1. "कल्पना" इंजन (The Generative Model)

पिछले अधिकांश तरीकों ने अपना खुद का "कल्पना" इंजन बनाने की कोशिश की, जो ऐसा था जैसे हर बार गाड़ी चलाने के लिए एक नया कार इंजन बनाने की कोशिश करना। यह महंगा, धीमा और अपग्रेड करने में कठिन था।

MIRAGE अलग है। यह इंजन बनाता नहीं है; यह एक सुपर-कार किराए पर लेता है।

उपमा (Analogy): कल्पना कीजिए कि आप देखना चाहते हैं कि एक "खरोंच वाली बोतल" कैसी दिखती है। खुद पेंट करने के बजाय, आप एक फोन ऐप (API) के माध्यम से एक पेशेवर कलाकार (एक AI मॉडल जिसे Gemini कहा जाता है) को कॉल करते हैं।
आप कहते हैं: "यहाँ एक परफेक्ट बोतल की फोटो है। अब, कल्पना कीजिए कि इसके किनारे पर एक खरोंच है।"
कलाकार तुरंत एक ऐसी फोटो वापस भेजता है जो इतनी असली दिखती है कि आप लगभग उस खरोंच को महसूस कर सकते हैं।
जादू: यदि अगले साल कोई बेहतर कलाकार उपलब्ध होता है, तो आप बस वह फोन नंबर बदल देते हैं जिसे आप कॉल करते हैं। आपको पूरा सिस्टम फिर से बनाने की आवश्यकता नहीं है।

2. "बाउंसर" (The Quality Filter)

कभी-कभी, कलाकार गलती कर देता है। वे ऐसा खरोंच बना सकते हैं जो दरार जैसा दिखता है, या वे गलती से बोतल का रंग बदल सकते हैं।

उपमा: MIRAGE के पास दरवाजे पर एक सख्त बाउंसर (एक CLIP-आधारित फ़िल्टर) है। इससे पहले कि नकली फोटो को ट्रेनिंग रूम में आने दिया जाए, बाउंसर चेक करता है: "क्या यह फोटो वास्तव में एक खरोंच वाली बोतल की तरह दिखती है, या यह सिर्फ एक नीली बोतल है?"
यदि फोटो पूरी तरह से विवरण (description) से मेल नहीं खाती है, तो बाउंसर उसे बाहर निकाल देता है। यह सुनिश्चित करता है कि AI केवल उच्च गुणवत्ता वाले उदाहरणों से ही सीखे।

3. "एक्स-रे विजन" (The Mask Generator)

यह सबसे पेचीदा हिस्सा है। जब कलाकार एक खरोंच बनाता है, तो AI को ठीक से जानने की आवश्यकता होती है कि कौन से पिक्सेल (pixels) खरोंच हैं और कौन से बोतल के हैं। इसे एक "मास्क" (एक स्टेंसिल) की आवश्यकता होती है जो नुकसान को हाईलाइट करे।

समस्या: कलाकार रोशनी को थोड़ा बदल सकता है या कोण (angle) को बदल सकता है, जिससे केवल पिक्सेल देखकर यह बताना मुश्किल हो जाता है कि क्या बदला है।
MIRAGE का समाधान: यह एक दो-मस्तिष्क दृष्टिकोण (two-brain approach) का उपयोग करता है:
1. सेमेंटिक ब्रेन (The Semantic Brain): यह मस्तिष्क टेक्स्ट ("खरोंच") को पढ़ता है और किसी भी ऐसी चीज़ को खोजता है जो खरोंच जैसी दिखती हो।
2. स्ट्रक्चरल ब्रेन (The Structural Brain): यह मस्तिष्क टेक्स्ट को अनदेखा करता है और केवल परफेक्ट फोटो और नकली फोटो के बीच किसी भी भौतिक परिवर्तन (shape या texture में बदलाव) को देखता है।
परिणाम: यह इन दोनों दृश्यों को मिला देता है। यदि सेमेंटिक ब्रेन कहता है "वह खरोंच जैसा दिखता है" और स्ट्रक्चरल ब्रेन कहता है "बनावट (texture) वहां बदली है," तो BAM! यह दोष के चारों ओर एक परफेक्ट स्टेंसिल बना देता है। यह यह सब बिना यह सीखे करता है कि इसे कैसे करना है।

4. "ग्रैंड एक्सपेरिमेंट" (The Results)

टीम ने दो प्रसिद्ध औद्योगिक डेटासेट्स (MVTec AD और VisA) का उपयोग करके अन्य तरीकों के मुकाबले MIRAGE का परीक्षण किया।

मानव परीक्षण: उन्होंने असली दोषों बनाम MIRAGE के नकली दोषों की तस्वीरें असली इंसानों को दिखाईं। इंसान ज्यादातर समय अंतर नहीं बता सके! MIRAGE के नकली दोषों को वास्तविक दोषों के लगभग उतना ही वास्तविक माना गया!
AI परीक्षण: उन्होंने केवल MIRAGE के नकली फोटो का उपयोग करके एक नए AI निरीक्षक को प्रशिक्षित किया। यह नया निरीक्षक वास्तविक दोषों को खोजने में अविश्वसनीय रूप से अच्छा हो गया, और इसने सभी अन्य तरीकों को पीछे छोड़ दिया।

यह क्यों महत्वपूर्ण है

वास्तविक दोषों की आवश्यकता नहीं: आपको AI को प्रशिक्षित करने के लिए कारखाने के टूटने का इंतज़ार करने की ज़रूरत नहीं है।
सस्ता और आसान: इसके लिए बहुत महंगे कंप्यूटरों की आवश्यकता नहीं है। आप बस एक इंटरनेट कनेक्शन का उपयोग करके एक "कलाकार" को कॉल करते हैं।
भविष्य के लिए सुरक्षित (Future-Proof): जैसे-जैसे AI बेहतर होता है, MIRAGE बस अपने "कलाकार" को एक बेहतर कलाकार से बदल देता है।
ओपन सोर्स: टीम ने इन नकली दोषों और मास्क की 13,000 से अधिक तस्वीरें मुफ्त में जारी की हैं, ताकि कोई भी बेहतर सुरक्षा प्रणाली बनाने के लिए इनका उपयोग कर सके।

संक्षेप में: MIRAGE एक प्लग-एंड-प्ले सिस्टम है जो आधुनिक AI कलाकारों की शक्ति का उपयोग करके "क्या गलत हो सकता है" के आदर्श उदाहरण तैयार करता है, जिससे कारखानों को एक भी वास्तविक टूटा हुआ उत्पाद प्राप्त किए बिना अपने सुरक्षा सिस्टम को प्रशिक्षित करने की अनुमति मिलती है।

यहाँ शोध पत्र "MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

औद्योगिक विजुअल एनोमली डिटेक्शन (VAD) आमतौर पर एक वन-क्लास प्रतिमान (one-class paradigm) के तहत कार्य करता है, जहाँ मॉडल को विशेष रूप से दोष-मुक्त ("सामान्य") डेटा पर प्रशिक्षित किया जाता है। हालांकि यह प्रभावी है, लेकिन प्रदर्शन में काफी सुधार तब होता है जब सुपरवाइज्ड ट्रेनिंग के लिए थोड़ी मात्रा में भी विसंगतिपूर्ण (anomalous) डेटा उपलब्ध हो। हालांकि, औद्योगिक सेटिंग्स में वास्तविक दोषों (defects) के नमूनों की कमी होती है क्योंकि दोष दुर्लभ होते हैं और डेटा संग्रह की लागत अधिक होती है।

मौजूदा समाधान जो सिंथेटिक विसंगतियों को उत्पन्न करते हैं, वे गंभीर सीमाओं का सामना करते हैं:

कॉपी-पेस्ट विधियाँ (जैसे, DRA|EM, GLASS): अवास्तविक बनावट (जैसे, Perlin noise) उत्पन्न करती हैं जिनमें दृश्य निष्ठा (visual fidelity) की कमी होती है।
डिफ्यूजन-आधारित विधियाँ (जैसे, RealNet): प्रत्येक उत्पाद श्रेणी के लिए एक अलग डिनोइजिंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल (DDPM) को प्रशिक्षित करने की आवश्यकता होती है, जिससे उच्च कम्प्यूटेशनल लागत और खराब स्केलेबिलिटी होती है।
फ्यू-शॉट (Few-shot) विधियाँ: प्रशिक्षण के लिए वास्तविक विसंगतिपूर्ण उदाहरणों की आवश्यकता होती है, जो ज़ीरो-शॉट जनरेशन के उद्देश्य को ही विफल कर देता है।
स्टेट-ऑफ-द-आर्ट ज़ीरो-शॉट (जैसे, AnomalyAny): हालांकि प्रभावी है, यह विशिष्ट डिफ्यूजन आर्किटेक्चर से मजबूती से जुड़ा हुआ है, इसके लिए भारी VRAM (30GB+) की आवश्यकता होती है, जनरेशन समय लंबा होता है, और नए जेनेरेटिव मॉडल उभरने पर इसे अपग्रेड करना कठिन होता है।

लक्ष्य: एक पूरी तरह से स्वचालित, स्केलेबल और यथार्थवादी पाइपलाइन बनाना जो विसंगतिपूर्ण छवियों और पिक्सेल-स्तरीय मास्क उत्पन्न करे, जिसके लिए न तो किसी प्रशिक्षण, न ही वास्तविक दोष डेटा और न ही महंगे हार्डवेयर की आवश्यकता हो, और जो नए जेनेरेटिव मॉडलों के अनुकूल आसानी से अपग्रेड करने योग्य हो।

2. कार्यप्रणाली: MIRAGE पाइपलाइन (Methodology: The MIRAGE Pipeline)

MIRAGE (Model-agnostic Industrial Realistic Anomaly Generation and Evaluation) एक तीन-चरणीय, मॉडल-अज्ञेय (model-agnostic) पाइपलाइन है जो जेनेरेटिव मॉडलों को API के माध्यम से एक्सेस किए जाने वाले ब्लैक बॉक्स के रूप में मानती है।

चरण 1: स्वचालित दोष प्रॉम्प्ट जनरेशन (Automated Defect Prompt Generation)

इनपुट: एक विशिष्ट उत्पाद श्रेणी के लिए सामान्य संदर्भ छवियों का एक सेट।
प्रक्रिया: एक विजन-लैंग्वेज मॉडल (VLM) (जैसे, ChatGPT-5) सामान्य छवियों का विश्लेषण करता है और 10 संभावित विनिर्माण दोष प्रकारों की एक संरचित सूची और संक्षिप्त, वर्णनात्मक टेक्स्ट प्रॉम्प्ट (जैसे, "surface scratch: a thin, shallow linear mark...") उत्पन्न करता है।
लाभ: यह मैन्युअल डोमेन विशेषज्ञता की आवश्यकता को समाप्त करता है और सुनिश्चित करता है कि प्रॉम्प्ट विशिष्ट उत्पाद की दृश्य वास्तविकता में निहित हों।

चरण 2: विसंगतिपूर्ण छवि जनरेशन और गुणवत्ता फ़िल्टरिंग (Anomalous Image Generation & Quality Filtering)

जनरेशन: यह एक सामान्य-उद्देश्य वाले जेनेरेटिव मॉडल (वर्तमान में Gemini 2.5 Flash Image, आंतरिक रूप से "Nano Banana") का उपयोग करता है जिसे API के माध्यम से एक्सेस किया जाता है। मॉडल एक सामान्य छवि और एक दोष प्रॉम्प्ट लेता है और मूल बैकग्राउंड, लाइटिंग और लेआउट को सुरक्षित रखते हुए एक फोटोरियलिस्टिक विसंगतिपूर्ण छवि ( $I_a$ ) उत्पन्न करता है।
CLIP-आधारित गुणवत्ता फ़िल्टर: जनरेशन की विफलताओं या आर्टिफ़ेक्ट्स को हटाने के लिए, पाइपलाइन चार CLIP इमेज-टेक्स्ट समानताएं (similarities) की गणना करती है:
1. $I_a$ बनाम एनोमली प्रॉम्प्ट ( $sim(I_a, p_a)$ )
2. $I_a$ बनाम नॉर्मल प्रॉम्प्ट ( $sim(I_a, p_n)$ )
3. $I_n$ बनाम एनोमली प्रॉम्प्ट ( $sim(I_n, p_a)$ )
4. $I_n$ बनाम नॉर्मल प्रॉम्प्ट ( $sim(I_n, p_n)$ )
मानदंड: एक छवि तभी रखी जाती है जब वह नॉर्मल इमेज की तुलना में एनोमली प्रॉम्प्ट के साथ बेहतर संरेखित (align) हो, और नॉर्मल प्रॉम्प्ट के साथ उसके संरेखण से बेहतर हो। यह सिमेंटिक सुसंगतता और दोष की उपस्थिति सुनिश्चित करता है।

चरण 3: प्रशिक्षण-मुक्त द्वैत-शाखा मास्क जनरेशन (Training-Free Dual-Branch Mask Generation)

बिना प्रशिक्षण के सटीक पिक्सेल-स्तरीय मास्क उत्पन्न करना एक बड़ी चुनौती है। MIRAGE एक द्वैत-शाखा सिमेंटिक चेंज डिटेक्शन (Dual-Branch Semantic Change Detection) मॉड्यूल पेश करता है:

सिमेंटिक शाखा (Grounding DINO):
- दोष कीवर्ड्स के आधार पर दोनों सामान्य ( $I_n$ ) और विसंगतिपूर्ण ( $I_a$ ) छवियों से फीचर्स निकालने के लिए Grounding DINO (टेक्स्ट-कंडीशनड) का उपयोग करता है।
- अंतर की गणना करता है: $S_{sem} = \| \phi_{GD}(I_a, t) - \phi_{GD}(I_n, t) \|_2$ ।
- उद्देश्य: दोष की सिमेंटिक प्रासंगिकता को कैप्चर करना, जिससे सामान्य टेक्सचर से होने वाले फॉल्स पॉजिटिव को दबाया जा सके जो दोष जैसे दिख सकते हैं।
स्ट्रक्चरल शाखा (YOLOv26-L-Seg):
- मल्टी-स्केल स्ट्रक्चरल फीचर्स निकालने के लिए YOLOv26-L-Seg (अनकंडीशनड) का उपयोग करता है।
- परतों (layers) के बीच अंतर की गणना करता है: $S_{str} = \| \psi_l(I_a) - \psi_l(I_n) \|_2$ ।
- उद्देश्य: सिमेंटिक अर्थ के बावजूद सूक्ष्म-स्तरीय स्ट्रक्चरल परिवर्तनों और पिक्सेल-स्तरीय विरूपण (deformations) को कैप्चर करना।
फ्यूजन (Fusion): अंतिम मास्क अपसैम्पल्ड सिमेंटिक और स्ट्रक्चरल हीटमैप्स का एलिमेंट-वाइज प्रोडक्ट है ( $S = \hat{S}_{sem} \odot \hat{S}_{str}$ )।
कैलिब्रेशन (Calibration): पिक्सेल-लेवल AUROC को अधिकतम करने के लिए एक छोटे संदर्भ मास्क सेट (जो उच्च-लागत वाले मॉडल द्वारा उत्पन्न किया गया है) का उपयोग करके प्रति श्रेणी एक सिंगल थ्रेशोल्ड को ऑप्टिमाइज़ किया जाता है।

3. मुख्य योगदान (Key Contributions)

मॉडल-अज्ञेय पाइपलाइन (Model-Agnostic Pipeline): एक प्लग-एंड-प्ले फ्रेमवर्क जो API के माध्यम से जेनेरेटिव मॉडलों तक पहुँचता है। इसके लिए कोई स्थानीय GPU ट्रेनिंग, कोई विसंगतिपूर्ण डेटा, और कोई मैन्युअल प्रॉम्प्ट इंजीनियरिंग की आवश्यकता नहीं है, और यह केवल एंडपॉइंट बदलकर नए मॉडलों (जैसे, भविष्य के VLMs या इमेज जनरेटर्स) को आसानी से अपना सकता है।
प्रशिक्षण-मुक्त मास्क जनरेशन (Training-Free Mask Generation): एक अभिनव द्वैत-शाखा परिवर्तन पहचान मॉड्यूल जो टेक्स्ट-कंडीशनड सिमेंटिक फीचर्स (Grounding DINO) और अनकंडीशनड स्ट्रक्चरल फीचर्स (YOLOv26) को जोड़कर बिना किसी सुपरवाइज्ड ट्रेनिंग के उच्च-गुणवत्ता वाले मास्क बनाता है।
व्यापक बेंचमार्क (Extensive Benchmark): अब तक का सबसे व्यापक एनोमली जनरेशन मूल्यांकन, जिसमें शामिल हैं:
- डाउनस्ट्रीम सेगमेंटेशन प्रदर्शन (U-Net)।
- स्वचालित मेट्रिक्स (Inception Score, IC-LPIPS)।
- ह्यूमन परसेप्चुअल स्टडी (Human Perceptual Study): 31 प्रतिभागियों के साथ एक अध्ययन और 1,550 पेयरवाइज वोट जो TrueSkill के माध्यम से रैंक किए गए।
बड़े पैमाने पर सार्वजनिक डेटासेट (Large-Scale Public Dataset): सभी MVTec AD और VisA क्लासेज के लिए 13,000+ इमेज-मास्क पेयर्स (प्रति श्रेणी 500) के साथ-साथ सभी जनरेशन प्रॉम्प्ट और कोड को जारी करना। यह अब तक का सबसे बड़ा ऐसा रिलीज है।

4. परिणाम (Results)

मूल्यांकन MVTec AD और VisA बेंचमार्क पर किया गया, जिसमें MIRAGE की तुलना GLASS, RealNet और AnomalyAny से की गई।

मानवीय धारणा की गुणवत्ता (Human Perceptual Quality):
- MIRAGE ने 28.33 का TrueSkill स्कोर प्राप्त किया, जो वास्तविक छवियों (28.61) के अत्यंत करीब है और AnomalyAny (27.16) से काफी बेहतर है।
- जीत की दर (Win Rate): MIRAGE अन्य विधियों के विरुद्ध निर्णायक पेयरवाइज तुलनाओं में 67.2% बार जीता।
स्वचालित मेट्रिक्स (Automated Metrics):
- Inception Score (IS): MIRAGE ने उच्चतम औसत IS (2.68) प्राप्त किया, जो बेहतर इमेज क्वालिटी और विविधता को दर्शाता है।
- IC-LPIPS: MIRAGE ने 0.38 स्कोर किया, जो क्लस्टर्स के भीतर वास्तविक दोषों के साथ मजबूत पर्सेप्चुअल एलाइनमेंट को दर्शाता है।
डाउनस्ट्रीम सेगमेंटेशन (U-Net):
- MIRAGE ने दोनों डेटासेट पर सर्वश्रेष्ठ पिक्सेल-लेवल AUROC (MVTec AD पर 0.92, VisA पर 0.92) प्राप्त किया।
- CLIP फ़िल्टरिंग प्रभाव: कम गुणवत्ता वाले जनरेशन को फ़िल्टर करने से पिक्सेल-लेवल प्रदर्शन को नुकसान पहुँचाए बिना इमेज-लेवल AUROC में ~10% का सुधार हुआ (MVTec AD पर 0.70 $\to$ 0.80)।
मास्क की गुणवत्ता: द्वैत-शाखा परिवर्तन पहचान ने पिक्से-लेवल AUROC 0.93 प्राप्त किया, जो View-Delta (0.73) से काफी बेहतर है।

5. महत्व और प्रभाव (Significance and Impact)

औद्योगिक AI का लोकतंत्रीकरण: महंगे GPU, वास्तविक दोष डेटा और मैन्युअल प्रॉम्प्ट इंजीनियरिंग की आवश्यकता को हटाकर, MIRAGE उच्च-गुणवत्ता वाले एनोमली डिटेक्शन को व्यापक औद्योगिक अनुप्रयोगों के लिए सुलभ बनाता है।
स्केलेबिलिटी और भविष्य के लिए तैयारी: "ब्लैक बॉक्स" API दृष्टिकोण यह सुनिश्चित करता है कि जैसे-जैसे जेनेरेटिव AI मॉडल बेहतर होते हैं (जैसे, बेहतर रेजोल्यूशन, तेज़ इन्फरेंस), पाइपलाइन बिना किसी आर्किटेक्चरल पुनर्गठन के स्वतः लाभान्वित होगी।
समुदाय के लिए संसाधन: एक विशाल, उच्च-गुणवत्ता वाले सिंथेटिक डेटासेट (13k+ पेयर्स) का रिलीज अनुसंधान समुदाय के लिए एक महत्वपूर्ण अंतर को भरता है, जिससे सुपरवाइज्ड एनोमली सेगमेंटेशन, दोष वर्गीकरण और औद्योगिक निरीक्षण में प्रतिलिपि योग्य (reproducible) अनुसंधान सक्षम होता है।
प्रतिमान परिवर्तन (Paradigm Shift): यह क्षेत्र को जटिल, ट्रेनिंग-हैवी डिफ्यूजन मॉडल्स से हटाकर कुशल, API-ड्रिवन, मॉडल-अज्ञेय वर्कफ़्लो की ओर ले जाता है जो यथार्थवाद और व्यावहारिक तैनाती को प्राथमिकता देते हैं।